【正文】 漂移，增益和補(bǔ)償誤差。應(yīng)用第二種方法，如果一個(gè)精確的傳感器是可用的（通過(guò)多項(xiàng)式直接計(jì)算），或應(yīng)用查詢多維的表格，傳感器的非線性能夠通過(guò)操作算法得到補(bǔ)償。多項(xiàng)式方法的直接計(jì)算更加精確但需要較長(zhǎng)的計(jì)算時(shí)間，而查表的方法盡管快但并不十分精確。 最近幾年，在使用儀器和測(cè)量的領(lǐng)域，人工神經(jīng)網(wǎng)絡(luò)作為一種有前景的研究領(lǐng)域已經(jīng)興起。人工神經(jīng)網(wǎng)絡(luò)對(duì)于解決復(fù)雜問(wèn)題特別是非線性系統(tǒng)的仿真提供了神經(jīng)計(jì)算方法，而網(wǎng)絡(luò)本身卻是一個(gè)非線性系統(tǒng)。當(dāng)測(cè)量系統(tǒng)是非線性時(shí)包括用來(lái)訓(xùn)練的試驗(yàn)數(shù)據(jù)也是非線性時(shí)，人工神經(jīng)網(wǎng)絡(luò)是非常有用的。人工神經(jīng)網(wǎng)絡(luò)的最廣泛應(yīng)用是數(shù)值逼近（曲線擬和）。與傳統(tǒng)的數(shù)值插補(bǔ)比較，基于人工神經(jīng)網(wǎng)絡(luò)的插補(bǔ)提供低的插補(bǔ)誤差。在本文中，我們提出了基于人工神經(jīng)網(wǎng)絡(luò)方法的高精度溫度測(cè)量系統(tǒng)。校正數(shù)據(jù)是通過(guò)在人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測(cè)試階段必須具有的調(diào)幅調(diào)頻信號(hào)源9100校正單元獲得的。系統(tǒng)的硬件和軟件部分被綜合在用于系統(tǒng)測(cè)量和校正的虛擬設(shè)備上。人工神經(jīng)網(wǎng)絡(luò)通過(guò)提供一個(gè)理想的最終誤差來(lái)校正數(shù)據(jù)。這就是按照神經(jīng)元的結(jié)構(gòu)和層數(shù)和神經(jīng)元的數(shù)量通過(guò)軟件，將校正和人工神經(jīng)網(wǎng)絡(luò)仿真數(shù)據(jù)之間的均方誤差最小化。2 系統(tǒng)硬件熱電偶產(chǎn)生一和測(cè)量溫度點(diǎn)成比例的在mV數(shù)量級(jí)的電壓值，而在零點(diǎn)的溫度值是一個(gè)常數(shù)。為了精確的測(cè)量，我們必須知道零點(diǎn)的溫度值。通過(guò)人工神經(jīng)網(wǎng)絡(luò)的操作階段，圖1（a）顯示了溫度測(cè)量系統(tǒng)模塊。它組成了放置在理想溫度條件下的熱電偶（E型號(hào)），包括帶有16位的模擬數(shù)字轉(zhuǎn)換器和接入到計(jì)算機(jī)的輸入輸接口卡的信號(hào)調(diào)節(jié)電路，設(shè)計(jì)的信號(hào)調(diào)節(jié)電路具有可設(shè)計(jì)增益的放（PGA204BP），它的增益是1，10，100，1000倍，16位的A/D轉(zhuǎn)換器（AD976A），帶有零點(diǎn)溫度補(bǔ)償?shù)腁D595單片電路熱電偶放大器，并把它作為攝氏溫度計(jì)的標(biāo)準(zhǔn)，用來(lái)選擇熱電偶和攝氏溫度計(jì)的輸出的4路模擬多路器（ADG529A）。AD976A具有高速度、低功耗、16位A/D轉(zhuǎn)換器的特點(diǎn)，采用5V工作電壓。這一部分提供連續(xù)的逼近，轉(zhuǎn)換電容ADC。系統(tǒng)的精度直接依靠ADC每步的大小。具有的輸入，AD976A的LSB是。當(dāng)AD595作為攝氏溫度應(yīng)用時(shí)，熱電偶被忽略，微分的輸入被匯集到一起。在這種模式中，AD595產(chǎn)生一個(gè)比例因子為10mV/176。C，它的輸出應(yīng)用在編寫軟件的零點(diǎn)溫度數(shù)據(jù)中。AD595的一些重要特性如下：電壓范圍是55176。C。到125176。C。相對(duì)于溫度的穩(wěn)定性是177。176。C/176。C；相對(duì)于溫度的敏感性是：10mV/176。C。PGA204BP的輸出信號(hào)通過(guò)AD976A被數(shù)化；AD976A的輸出連接到I/O接口卡并傳遞到個(gè)人計(jì)算機(jī)上，執(zhí)行數(shù)據(jù)的削減和優(yōu)化。為了設(shè)定人工神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)權(quán)值和閾值，在校正階段（人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練階段）， 到 ，精確度為177。%+，連接到模擬多路器的終端，用來(lái)產(chǎn)生如圖1（b）所示的熱電偶電壓。此電壓作為人工神經(jīng)網(wǎng)絡(luò)的輸入值，沒(méi)有零點(diǎn)溫度補(bǔ)償?shù)臒犭娕茧妷菏侨斯ど窠?jīng)網(wǎng)絡(luò)的輸出值。在操作階段（如圖1a），為了實(shí)現(xiàn)零點(diǎn)溫度補(bǔ)償，我們使用了從攝氏溫度計(jì)輸出的數(shù)據(jù)值。人工神經(jīng)網(wǎng)絡(luò)的輸出值隨著由攝氏溫度計(jì)獲得的環(huán)境溫度值的變化而變化。然后這個(gè)值顯示在虛擬機(jī)上作為熱電偶的溫度值。虛擬機(jī)被用來(lái)獲得人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程中的數(shù)據(jù)和顯示操作階段的計(jì)算溫度值。圖2顯示了虛擬機(jī)的前端電路板。此設(shè)備的主要特征是：顯示測(cè)量的溫度值和從調(diào)理電路輸出的相應(yīng)電壓值，調(diào)理電路是用來(lái)收集在校正階段的數(shù)據(jù)值和在操作階段具有零點(diǎn)溫度補(bǔ)償?shù)膶?shí)際電壓值。此系統(tǒng)是由校正和操作階段編寫的軟件來(lái)控制的。3 人工神經(jīng)網(wǎng)絡(luò) 人工神經(jīng)網(wǎng)絡(luò)是基于生物機(jī)理的人腦的模擬。人工神經(jīng)網(wǎng)絡(luò)是前向反饋網(wǎng)絡(luò)和全局逼近網(wǎng)絡(luò)。它是通過(guò)經(jīng)驗(yàn)而不是程序來(lái)訓(xùn)練和學(xué)習(xí)的。它們是通過(guò)簡(jiǎn)單的進(jìn)程元素相互連接而形成的，或是可調(diào)節(jié)的閾值相互連接而形成的，閾值組成神經(jīng)的結(jié)構(gòu)組成層。每一個(gè)人工神經(jīng)都有閾值輸入，求和單元、功能函數(shù)和輸出。整個(gè)人工神經(jīng)網(wǎng)絡(luò)的特性依靠所提及的人工神經(jīng)元、學(xué)習(xí)算法和網(wǎng)絡(luò)的構(gòu)造。在訓(xùn)練的過(guò)程中，神經(jīng)元之間的閾值可以通過(guò)一些標(biāo)準(zhǔn)（對(duì)于所有的訓(xùn)練集目標(biāo)輸出值和測(cè)量值之間的均方誤差達(dá)到預(yù)先設(shè)定好的極限值）進(jìn)行調(diào)整，或達(dá)到最大的允許步數(shù)。雖然訓(xùn)練過(guò)程非常耗費(fèi)時(shí)間，但這能提前完成，并能脫機(jī)運(yùn)行。訓(xùn)練完的神經(jīng)網(wǎng)絡(luò)用來(lái)測(cè)試數(shù)據(jù)但這一過(guò)程是看不見(jiàn)的。機(jī)器語(yǔ)言程序是構(gòu)建神經(jīng)網(wǎng)絡(luò)中最簡(jiǎn)單的和應(yīng)用最廣泛的。機(jī)器語(yǔ)言程序由輸入、輸出、事先定義好神經(jīng)元的數(shù)量的一層或多個(gè)隱層。輸入層的神經(jīng)元只是作為緩沖器，用來(lái)運(yùn)輸輸入信號(hào)到神經(jīng)元的隱層。在應(yīng)用分別的連接強(qiáng)度對(duì)輸入信號(hào)進(jìn)行加權(quán)后，隱層的每一個(gè)神經(jīng)元加和他的輸入信號(hào),有求和函數(shù)計(jì)算輸出值，可以表示為此式中是人工神經(jīng)網(wǎng)絡(luò)的功能函數(shù)之一。訓(xùn)練的神經(jīng)網(wǎng)絡(luò)由應(yīng)用不同的學(xué)習(xí)算法可調(diào)整的閾值構(gòu)成。學(xué)習(xí)算法給出了在時(shí)間t內(nèi)神經(jīng)元i與j之間閾值的連接強(qiáng)度。閾值的遞推公式如下：有許多應(yīng)用學(xué)習(xí)算法的文字描述。在我們的學(xué)習(xí)過(guò)程中應(yīng)用的神經(jīng)網(wǎng)絡(luò)算法有LM算法，BFGS算法，BR算法，CGF算法，和RP算法。再此文章中，多層感知器神經(jīng)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)的線性化電路。這涉及的技術(shù)包括應(yīng)用神經(jīng)網(wǎng)絡(luò)估算熱電偶溫度值（神經(jīng)網(wǎng)絡(luò)的輸出值），此時(shí)給出的熱電偶輸出電壓作為輸入值。應(yīng)用之前所提及的學(xué)習(xí)算法訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)，進(jìn)而估算應(yīng)用不同的輸入值和相應(yīng)的測(cè)量值而訓(xùn)練出的網(wǎng)絡(luò)的溫度輸出值。人工神經(jīng)網(wǎng)絡(luò)的目標(biāo)輸出值和實(shí)際輸出值之間的差別通過(guò)學(xué)習(xí)算法悲劇算出來(lái)，并應(yīng)用方程式1和2調(diào)整網(wǎng)絡(luò)閾值。我們應(yīng)用從熱電偶數(shù)據(jù)表得到的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。這些數(shù)據(jù)表是相對(duì)于特殊的溫度點(diǎn)而言的（通常是零攝氏度）。人工神經(jīng)網(wǎng)絡(luò)是應(yīng)用熱電偶的80個(gè)溫度點(diǎn)進(jìn)行訓(xùn)練的，這80個(gè)溫度點(diǎn)分布在200176。C到1000176。C的范圍內(nèi)，是在校正階段獲得的。然而，對(duì)于可能的輸入值，由訓(xùn)練得到的最終神經(jīng)網(wǎng)絡(luò)的特性并不是無(wú)偏差的。在訓(xùn)練之后，我們必須應(yīng)用獨(dú)立的測(cè)試系統(tǒng)來(lái)估計(jì)訓(xùn)練后網(wǎng)絡(luò)的特性。因此，熱電偶的分布在200176。C到1000176。C的范圍內(nèi)其他20個(gè)數(shù)據(jù)被用來(lái)測(cè)試。在訓(xùn)練之前，輸入與輸出數(shù)據(jù)組被標(biāo)準(zhǔn)化。在采用不同的學(xué)習(xí)算法和和不同的網(wǎng)絡(luò)構(gòu)造后，我們發(fā)現(xiàn)最適合的網(wǎng)絡(luò)構(gòu)造是1 X7 X 3 X 1。采用LM算法。也就是說(shuō)第一隱層神經(jīng)元的數(shù)量是7，第二隱層神經(jīng)元的數(shù)量是3。輸入和輸出層采用線性函數(shù)。隱層采用雙曲線正切，對(duì)數(shù)的功能函數(shù)。訓(xùn)練的最大步數(shù)是1000步。對(duì)于與許多因素有關(guān)的、過(guò)大或過(guò)小的隱層神經(jīng)元數(shù)量，標(biāo)注這些標(biāo)準(zhǔn)是很重要的，像人工神經(jīng)網(wǎng)絡(luò)的類型，訓(xùn)練數(shù)集的特性和應(yīng)用的類型，如今，人工智能研究更加關(guān)注人工神經(jīng)網(wǎng)絡(luò)。4 結(jié)果和結(jié)論人工神經(jīng)網(wǎng)絡(luò)模型可以通過(guò)不同的學(xué)習(xí)算法如LM算法，BR算法，CGF算法，BP算法，BFGS算法進(jìn)行訓(xùn)練和測(cè)試，簡(jiǎn)單的結(jié)構(gòu)就可以獲得更高的特性和更快的收斂速度。對(duì)于以上所提及的相同的網(wǎng)絡(luò)構(gòu)造，表1顯示了應(yīng)用學(xué)習(xí)算法進(jìn)行分析的誤差。當(dāng)我們將神經(jīng)模型的性質(zhì)相互進(jìn)行比較時(shí)，我們發(fā)現(xiàn)應(yīng)用LM算法訓(xùn)練的模型可以獲得最好的實(shí)驗(yàn)結(jié)果。采用LM算法進(jìn)行訓(xùn)練的網(wǎng)絡(luò)他的訓(xùn)練和測(cè)試誤差（最小均方誤差）分別為和。從表1我們可以清楚地看到，更接近LM的解可以從BR算法得到。在所提及的神經(jīng)網(wǎng)絡(luò)模型中，對(duì)于特殊應(yīng)用的RP的實(shí)驗(yàn)效果最差。他所強(qiáng)調(diào)的學(xué)習(xí)算法的精確度依靠寓所選擇恰當(dāng)?shù)膶W(xué)習(xí)參數(shù)、網(wǎng)絡(luò)的構(gòu)造和初始化值。圖3代表了對(duì)于E類型的熱電偶采用LM算法訓(xùn)練網(wǎng)絡(luò)的誤差百比。從圖3可以看出，%。在200176。C到200176。%，這就是在此溫度范圍內(nèi)熱電偶非線性的原因。然而，200176。C~200176。C溫度范圍內(nèi)，得到好的擬和曲線顯然要增加訓(xùn)練的數(shù)據(jù)數(shù)量。訓(xùn)練步數(shù)為1000步的學(xué)習(xí)算法仿真神經(jīng)模型，訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)，最小化最小均方誤差。隨著學(xué)習(xí)的進(jìn)程，最小均方誤差逐漸減少，最終穩(wěn)定在某一個(gè)最小值如圖4所示。結(jié)論，本論文提出了一種基于人工神經(jīng)網(wǎng)絡(luò)的高精度溫度測(cè)量技術(shù)。應(yīng)用LM算法人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程成功地完成，與其他的算法相比，應(yīng)用此種算法可以獲得更好的實(shí)驗(yàn)值。由于應(yīng)用了人工神經(jīng)網(wǎng)絡(luò)，調(diào)理電路的增益和誤差補(bǔ)償自動(dòng)取消。所闡述的方法在所有基于測(cè)量系統(tǒng)的傳感器中應(yīng)用比較廣泛，測(cè)量系統(tǒng)的非線性是傳感器的主要考慮因素。此技術(shù)在機(jī)械設(shè)備和測(cè)量領(lǐng)域具有潛在的應(yīng)用潛力。